Kontrolcülerin ve optimizasyonunda kullanılan algoritmaların perfomansını ayrıntılı değerlendirmek için, geçici durum ve sabit durum performans kriterleri Çizelge 3.6'da verilmiştir. Aşma için uygunluk fonksiyonunda bozulma katsayısı kullanılması nedeniyle, en yüksek aşım tanımlanan sınırın altındadır. İhmal edilebilir ölçüde bir sabit durum dalgalanması çıkışta gözlenmiştir. ISE ölçümleri farklı olsa da genel olarak tatmin edicidir.
Çizelge 3.6. Çıkış performans değerleri Optimizasyon Algoritması-
Kontrolcü
Aşım (rpm)
Yerleşme Zamanı
Çıkış Dalgalanması
SC–PI 74 16 ms ± 1rpm
PSO-PI 75 15 ms ± 1rpm
SC-ST - 40 ms ± 2 rpm
PSO-ST - 40 ms ± 1rpm
Yerleşme zamanının azalması ile birlikte, BLDC motorun hızında aşım görülürken, aşımsız hız kontrollerinde yerleşme zamanının arttığı gözlenmiştir. Bu durum, birçok kontrol edilen sistemin geçici hal performansında görülmektedir. Bununla beraber, geçici durumda görülen dalgalanma karakteristiği, her iki kontrol yönteminde de benzer olup optimizasyon yöntemleri ile ancak aşımın yerleşme zamanından fedakârlık edilerek azaltılması ile mümkün olabileceği Çizelge 3.6’da ortaya çıkmıştır.
Ancak, gerek PID kontrolcüsünün her bir parametresinin özelliği gerekse STC ile gelen özellikler birlikte düşünüldüğünde, bu iki kontrol yönteminin bir araya getirilmesiyle birlikte yerleşme zamanı ve aşım miktarının birlikte iyileştirilmesi üzerine bir yöntem üzerinde bir çalışma yapılmıştır. Sonraki bölümde, bu amaç ile önerilen yöntem ve BLDC motor hız kontrolü için izlenecek yol anlatılmıştır.
ST+ID HİBRİT KONTROL VE OPTİMİZASYONU
BLDC motor hız kontrolü için yapılan çalışmada, geçici durum performansı incelendiğinde hem dalgalanma hem de aşıma neden olmakla beraber, kontrol parametrelerinde yapılan değişiklikler ile elde edilen aşımsız çıkışta ise yerleşme zamanının arttığı gözlenmiştir. Bu iki durumun optimum kontrol parametreleri ile birlikte çözülmesi için kullanılan iki optimizasyon algoritması da kontrolcülerin performansını aynı noktaya taşımıştır. Dolayısıyla, iyileştirme konusunda kontrol parametrelerinin optimizasyonundan çok kontrolcü yapısında değişiklik üzerinde bir çalışma ile daha iyi performans elde edilebileceği düşünülmüştür.
STC bozuculara karşı dayanıklı bir kontrolcü olarak literatürde kullanılmaktadır. PID kontrolde ise integral terimi kalıcı durum hatasını yok etmekte etkili, türev terimi ise hatanın oluşumuna karşın onu yok edecek etkin kontrol sinyalinin üretilmesinde kullanılır. Bu özellikler bir arada düşünülüp, her ikisinin birlikte kullanılması ile dalgalı bir seyir izleyen BLDC motor hızı kontrolünde aşırı sönümlü ve daha kararlı bir çıkış amaçlanmıştır. Şekil 4.1’de optimize edilmiş STC sinyaline ek olarak ID kontrol kullanılmış ve bu iki terimin kazançları için PSO yeniden çalıştırılmıştır.
Şekil 4.1. ST+ID kontrol blok diyagramı
Önerilen hibrit sistemdeki integral ve türev parametrelerinin optimizasyonu için uygunluk fonksiyonu aşağıdaki gibi seçilmiştir:
100 ( (200000 : 300000))
ID s
fitness t std y (4.1)
Burada std, standart sapma fonksiyonudur. Kalıcı durumdaki kontrol sinyalinin standart sapması ele alınmıştır. İntegral ve türev parametrelerinin arama uzayı Çizelge 4.1’de verilmiştir. Optimizasyon sonucu elde edilen yeni ID parametreleri Çizelge 4.2’de verilmiştir.
Çizelge 4.1. Optimizasyon algoritmalarının parametreleri
Parametreler Genlik
Döngü sayısı 50
Parçacık sayısı 10
Örnekleme Zamanı 0.5µs
Simülasyon Süresi 0.3s
Başlangıç PSO Sabitleri
c 1 1.2
c2 0.12
0.5
Sabit STC parametreleri
2223.963
4.4078
ID için arama aralıkları
ki 4<ki<8
kd 0.0001<kd<0.01
Yeni parametrelerin optimum parametrelerinin PSO ile aranması sonucu uygunluk fonksiyonundaki değişim Şekil 4.2’deki gibi elde edilmiştir. Bunun sonucunda elde edilen optimum parametreler Çizelge 4.2’de verilmiştir. Elde edilen parametreleri ile yapılan simulasyon sonucu motor hızındaki değişim Şekil 4.3’te verilmiştir. ST+ID kullanıldığında, geçici durumda görülen aşım ve dalgalanmanın önüne geçilmiş, kritik sönümlü bir çıkış elde edilmiştir.
Çizelge 4.2. Optimum ID parametreleri
ki kd
5.8399 0.0013
Şekil 4.2. ST+ID kontrolcünün PSO ile uygunluk fonksiyonu izleme performansı
Şekil 4.3. PSO ile elde edilen ST+ID kontrolcü kullanılarak elde edilen motor hızı grafiği Optimum ST+ID parametrelerinin ürettiği kontrol sinyali Şekil 4.4’te verilmiştir.
0 10 20 30 40 50
3 3.005 3.01 3.015 3.02 3.025
Döngü Sayısı
Uygunluk Değeri
PSO Uygunluk fonksiyonu
20 30 40
3.0007 3.0008 3.0009
PSO Uygunluk fonksiyonu
0 0.05 0.1 0.15 0.2 0.25 0.3
0 300 600 900 1200 1500
Zaman (s)
Motor Hızı (rpm)
Referans Motor hızı
Şekil 4.4. PSO ile optimize edilmiş ST+ID kontrolcünün kontrol sinyali
Çizelge 4.1’de görüldüğü gibi önerilen kontrolcü ile en yüksek aşım yaklaşık 3rpm olarak ölçülmüştür. Bununla beraber yerleşme zamanı 17ms olarak gerçekleşmiştir. BLDC motorun çıkışındaki dalgalanma ise yaklaşık ±1 rpm olarak ölçülmüştür.
Çizelge 4.1. Çıkış performans değerleri Önerilen Kontrolcü Aşım
(rpm)
Yerleşme Zamanı
Çıkış
Dalgalanması
ST+ID 3 17 ms < ±1rpm
BLDC motorlarda geçici durum sürecini azaltmak amacıyla ST+ID kontrolcüsü kullanılmıştır. Seçilen kontrol algoritmaları ve optimizasyon yöntemleri ile elde edilen parametreler kullanılarak 1500rpm ile başlatılan motorun hızı 1200rpm ile 1800rpm referans noktalarında test edilmiştir. Elde edilen performans grafiği aşağıdaki şekilde verilmiştir.
0 0.05 0.1 0.15 0.2 0.25 0.3
20 40 60 80 100 120 140 160
Zaman (s)
Kontrol Sinyali (V)
PSO ile optimize edilmiş ST+ID kontrol sinyali
Şekil 4.5. ST+ID performans izleme grafiği
Optimum parametreler 1500 rpm için bulunmuştur. Aynı parametreler kullanılarak farklı hızlardaki çıkış grafikleri Şekil 4.6’da birlikte verilmiştir. Yapılan çalışmada seçilen tüm yeni referans hız değerlerinde ST+ID kontrolcüsü aşımsız ve osilasyonsuz bir şekilde motor hızını istenen değerlere ulaştırmıştır.
Şekil 4.6. Farklı hızlar için ST+ID ile BLDC motor çıkışı
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
-500 0 500 1000 1500 2000
Zaman(t)
Motor Hızı (rpm)
Referans ST+ID 0.2 0.22 0.24 0.26 0.28
1180 1200 1220 1240 1260
0.4 0.45 0.5 0.55
1200 1400 1600 1800
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
0 1000 1200 1500 1800 2000
Zaman (s)
Motor Hızı (rpm)
DEĞERLENDİRME VE SONUÇ
Bu çalışmada BLDC motorun hız kontrolü için PI ve STC kullanılmıştır. Bu kontrolcülerin optimum parametreleri PSO ve SCA ile belirlenmiştir. Karşılaştırmalı olarak yapılan incelemede her iki optimizasyon algoritmasından da benzer parametre değerleri elde edilmiştir. Dolayısıyla her iki kontrolcünün uygulanması sonucu elde edilen BLDC motor hız performansı yaklaşık aynı olarak gözlemlenmiştir. Ancak BLDC motorun kalkınması sırasında hem PI hem de STC kontrolcünün kullanımında bir dalgalanma gözlemlenmiştir. Her ne kadar optimum kontrolcü parametreleri kullanılsa da bu dalgalanma geçici durum sürecinde gözlemlenmiştir. Geçici durum sürecindeki bu sorunun giderilmesi amacıyla hibrit bir kontrol yöntemi önerilmiştir. ST kontrolcüsünün ürettiği kontrol sinyalini integral ve türev terimleri eklenerek, geçici durum sürecinde iyileştirme amaçlanmıştır. Yapılan simülasyonlar sonucu amaçlanan iyileşme geçici durum sürecinde BLDC motorun referans değerine kritik sönümlü olarak yaklaşmasıyla gerçekleşmiştir. Bununla birlikte, kalıcı durumda hızdaki dalgalanma minimum seviyede ölçülmüştür.
Kontrolcülerin performansının daha iyi incelenmesi amacıyla yapılan referans izleme testinde PI ve STC kontrolcülerinde hız değişimleri sırasında aşımlar görülürken, önerilen hibrit kontrolcüde böyle bir aşım görülmemiştir. Sonuç olarak; BLDC motora önerilen kontrol yöntemi uygulandığında, farklı çalışma hızlarına geçişlerde daha başarılı kontrol sinyali ile yeni çalışma hızına ulaşmıştır.
Elde edilen sonuçlar göstermiştir ki, önerilen hibrit ST+ID kontrolcüsü gerçek uygulamalar için iyi bir kontrolcü olarak önerilebilir.
KAYNAKLAR
1. Başçi, A., Orman, K., Can, K., & Derdiyok, A. (2016). Real-Time Speed Control of BLDC Motor Based On Fractional Sliding Mode Controller. International Journal of Applied Mathematics Electronics and Computers, (Special Issue-1), 314-318.
2. Tariq, M., Bhattacharya, T. K., Varshney, N., & Rajapan, D. (2016). Fast response Antiwindup PI speed controller of Brushless DC motor drive: Modeling, simulation and implementation on DSP. Journal of electrical systems and information technology, 3(1), 1-13.
3. Hasan, M. S., Sharaf, A. F., Albakhait, M. D., & Jaber, A. I. (2019). High Performance Rectifier/Multilevel Inverter Based BLDC Motor Drive with PI Controller. In The Fourth Scientific Conference for Engineering and Postgraduate Research (Vol. 745).
4. Ahmed, A. H., Abd El Samie, B., & Ali, A. M. (2018). Comparison between fuzzy logic and PI control for the speed of BLDC motor. International Journal of Power Electronics and Drive Systems, 9(3), 11-16.
5. Goswami, R., & Joshi, D. (2018). Performance review of fuzzy logic based controllers employed in brushless DC motor. Procedia computer science, 132, 623-631.
6. Sivarani, T. S., Jawhar, S. J., & Kumar, C. A. (2018). Novel bacterial foraging-based ANFIS for speed control of matrix converter-fed industrial BLDC motors operated under low speed and high torque. Neural Computing and Applications, 29(12), 1411-1434.
7. Prabu, M. J., Poongodi, P., & Premkumar, K. (2017). Genetic algorithm tuned PID controller for rotor position control of BLDC motor. World Applied Sciences Journal, 35(2), 199-207.
8. Darong, S. O. R. N., & Chen, Y. (2018). Design optimization of Permanent Magnet Brushless Direct Current Motor using Radial Basis Function Neural Network. In 2018 IEEE 7th Data Driven Control and Learning Systems Conference (DDCLS) (pp. 38-43).
9. Akram, H. A., Abd El Samie, B. K., & Ayman, M. A. (2018). Comparison between Fuzzy Logic and PI Control for the Speed of BLDC Motor. International Journal of Power Electronics and Drive System (IJPEDS), 9(3), 1114-1123.
10. Ashoka, R. B., & Kumar, B. M. (2017). Comparative Analysis of BLDC motor for different control topology, 1st International Conference on Power Engineering, Computing and CONtrol, PECCON-2017, VIT University, Chennai Campus.
11. Mullick J.A.,(2017). Fuzzy Controller for Speed Control of BLDC motor using MATLAB. International Research Journal of Engineering and Technology , 2495-0072
12. Usman, A., & Rajpurohit B.S., (2016). Speed Control of a BLDC Motor using Fuzzy Logic Controller. 1st IEEE International Conference on Power Electronics, Intelligent Control and Energy Systems
13. Ciba, S., Iskender, I., & H.A. Ariani. (2020). Comparing Control Performances Of Mrac And Pid Applied On A Brushless Dc Motor. International Journal on “Technical and Physical Problems of Engineering”, 10-15
14. Deshmukh, S., & Goswami , A. (2018).Performance Analysis of Speed Control of Brushless DC motor using Partial Swarm Optimization Technique .
15. Jigang H., Hui F. & Jie W., (2019). A PI controller optimized with modified differential evolution algorithm for speed control of BLDC motor, Journal for Control, Measurement, Electronics, Computing and Communications, 135–148
16. Mahmud, M., Motakabber, S. M. A., Islam, A. Z., Nordin, A. N., & Wafa, S. F. (2021, June). Advanced Adaptive PID Controller for BLDC Motor. In 2021 8th International Conference on Computer and Communication Engineering (ICCCE) (pp. 121-125).
IEEE.
17. Yu Z., Yao X. & Liu Z., (2008). Slide mode variable structure control for BLDC electric actuator.7th World Congress on Intelligent Control and Automation, Chongqing, 7736-7741
18. Furat, M., & Eker, I. (2016). Chattering-eliminated adaptive sliding-mode control: an experimental comparison study. Turkish Journal of Electrical Engineering & Computer Sciences, 605-620.
19. Levant A. Sliding Order and Sliding Accuracy in Sliding Mode Control, International Journal of Control, 1247-1263.
20. Naseri, F., Farjah, E., Schaltz, E., Lu, K., & Tashakor, N. (2021). Predictive Control of Low-Cost Three-Phase Four-Switch Inverter-Fed Drives for Brushless DC Motor Applications. IEEE Transactions on Circuits and Systems I: Regular Papers, 68(3), 1308-1318.
21. Almeida, P. M., Valle, R. L., Barbosa, P. G., Montagner, V. F., Ćuk, V., & Ribeiro, P.
F. (2021). Robust Control of a Variable-Speed BLDC Motor Drive. IEEE Journal of Emerging and Selected Topics in Industrial Electronics, 2(1), 32-41.
22. Vanchinathan, K., & Selvaganesan, N. (2021). Adaptive fractional order PID controller tuning for brushless DC motor using Artificial Bee Colony algorithm.
Results in Control and Optimization, 100032.
23. Iztok Jr., Yang X.Y., Fister I., Brest J., &Fister D., (2013).A Brief Review of Nature-Inspired Algorithms for Optimization Elektrotehnıˇskı Vestnık 1–7
24. Tian D., Shi Z. , (2018).Modified particle swarm optimization and its applications,. All rights reserved.Swarm and Evolutionary Computation 49–68
25. M.Altabeeb, A. M. Mohsen, &AbdullatifGhallab,(2019). An improved hybrid firefly algortihm for capacitated vehicle routing problem, Applied Soft Computing Journel , 1568-4946
26. Cui Z., Li F. & Zhang W., (2019) .Bat algorithm with principal component analysis, International Journal of Machine Learning and Cybernetics volume , 603-622
27. Xue Y., Jiang J., , Zhao B. & Ma T., (2017).A self-adaptive artificial bee colony algorithm based on global best for global optimization, Methodologies and Application Published, 2935–2952
28. Ataş K., &Yıldırım T., (2019) Storage Management System Problem and Firefly Algorithm Solution, Innovations in Intelligent Systems and Applications Conference, IEEE.
29. Yelghi A., & Köse C.,(2018) A modified firefly algorithm for global minimum optimization , Department of Computer Engineering, Faculty of Engineering, Karadeniz Technical University,29-44
30. Aydilek İ.B., (2017) .Değiştirilmiş ateşböceği optimizasyon algoritması ile kural tabanlı çoklu sınıflama yapılması , Journal of the Faculty of Engineering and Architecture of Gazi University,1097-1107
31. Yetkin M., & Bilginer Ö. , (2019).Yarasa Algoritması ile Robust Kestirimin Nivelman Ağlarına Uygulanması, Journal of Geomatics Araştırma Makalesi .196-202
32. Karabörk T.,Sönmez M., Aydın E.,Çelik T., Bölükbaş Y., &Çelik (2018).Yapılarda Kullanılan Diyagonal Çelik Çaprazların Yapay Arı Koloni Algoritması İle Optimizasyonu, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi
33. Kaya, R., & Furat, M. (2020). Three-Channel Cost Function Based Artificial Bee Colony Algorithm for PID Tuning. Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 382-392
34. Jianyun Z., Zhenhua W., &Taizhao L., (2018). Research of Wolf Pack Algorithm International Conferance on Intelligent Transportation ,Big Data &Smart City, IEEE 35. Gür, H., & Furat, M. (2020). Özelleştirilmiş Uygunluk Fonksiyonu Tabanlı Su
Döngüsü Algoritması ile PID Parametrelerinin Optimizasyonu. Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 332-341.
36. Kennedy, J., & Eberhart, R. (1995). PSO optimization. In Proc. IEEE Int. Conf. Neural Networks. IEEE Service Center, Piscataway, NJ, 1941-1948
37. Wang D., Tan D., & Liu L., (2018) . Particle swarm optimization algorithm: an overview , Soft Computer 387–408
38. Berber Ö. , Ateş M.,Alhasan H.A., &Güneş M., (2016 ) Parçacık Sürü Optimizasyonu ve PID ile Mobil Robotun Optimum Yörünge Kontrolü , KSU. Journal of Engineering Sciences
39. Özsağlam M. Y.,Çunkaş M., (2008). Optimizasyon Problemlerinin Çözümü için Parçaçık Sürü Optimizasyonu Algoritması, Journal of Polytechnic 299-305
40. Mirjalili, S. (2016). A sine cosine algorithm for solving optimization problems.
Knowledge-based systems, 120-133.
41. Demir G., &Tanyıldızı E., (2017).Optimizasyon Problemlerinin Çözümünde Sinüs Kosinüs Algoritması (SKA)’nın Kullanılması, Science and Eng. J of Fırat Univ. 225-236
DİZİN
A
ABA · xi, 24 ABC · xi, 25 Araştırmacı Kurt · 26
Ateş Böceği Algoritması · vii, xi, 24, 25
B
BLDC · iv, v, vii, viii, ix, x, xi, 13, 14, 15, 16, 17, 21, 22, 31, 32, 34, 36, 40, 42, 43, 46, 48, 49, 50
D
DA · xi, 13, 15
F
FLC · 13, 14
G
Gözcü arı · 25
H
Hibrit · iv, 14
İ
İşçi arı · 25
K
Kaşif arı · 25
Kedi Sürüsü Optimizasyonu · 24 KKA · xi, 26
KKK · xi, 21
Kontrol Yöntemleri · vii, viii, 18, 31
Kurt Kolonisi Algoritması · vii, xii, 24, 26
Kuşatmacı Kurt · 26
L
Lider Kurt · 26
M
mobilite · iv
O
okuma · iv
Optimizasyon Yöntemleri · viii, 32
P
P · xi, 18, 19, 49 Parametreler · 32, 44
Parçacık Sürüsü Optimizasyonu · vii, xi, 24, 26
PD · xi, 18, 20, 21
PI · iv, viii, ix, x, xi, 13, 14, 18, 20, 21, 22, 31, 33, 34, 35, 36, 41, 42, 48, 49, 50
PID · iv, vii, x, xi, 14, 18, 19, 42, 43, 49, 52
PSO · iv, x, xi, 22, 23, 26, 27, 28, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 48, 52
S
SCA · iv, x, xii, 22, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 48, 52 sensör · xi
Sinüs-Kosinüs Algoritması · vii, 28 ST+ID · viii, x, 43, 45, 46, 47, 48 STC · iv, viii, ix, x, xi, 14, 22, 31,
37, 38, 39, 40, 41, 42, 44, 48
Y
Yapay Arı · vii, xi, 24, 25 Yapay Arı Koloni Algoritması ·
24
Yarasa Algoritması · vii, 24, 25, 51